IA et apprentissage automatique

Doublement de l'efficacité du traitement des documents grâce à l'automatisation par l'IA

Nous avons aidé Compensa, membre du Vienna Insurance Group, à accélérer le traitement de ses documents en concevant une solution basée sur l'IA qui réduit le temps nécessaire à la préparation des offres d'assurance. Notre équipe a développé un outil sécurisé, basé sur Azure, qui extrait et structure les données clés de divers fichiers de courtiers, remplaçant le travail manuel par une analyse et une validation assistées par l'IA. Les souscripteurs passent désormais quelques minutes, et non des heures, à examiner les projets, ce qui permet de préparer plus rapidement des milliers d'offres d'assurance.

arrow_circle_right Services financiers

À propos du client

Compensa Insurance Company S.A., membre du Vienna Insurance Group, est un assureur de premier plan en Europe centrale et orientale. Fondée en Pologne en 1990, Compensa propose une large gamme de produits, de l'assurance des biens et de la vie à la couverture santé et automobile, pour les clients particuliers comme entreprises dans des pays tels que l'Autriche, l'Allemagne, la République tchèque, la Slovaquie, la Hongrie, la Roumanie, la Bulgarie, ainsi que les États baltes et balkaniques.

Nom de l'entreprise :

Compensa TU S.A. Vienna Insurance Group

Localisation :

Pologne, Europe centrale et orientale

Secteur :

Assurance

Services

Développement d'algorithmes d'IA personnalisés pour le traitement de documents

Intégration d'Azure OpenAI (GPT-4o)

Développement de base de données vectorielle (Chroma DB)

Technologies

Azure OpenAI

Modèle LLM GPT-4o

LangChain

Chroma Db

API Microsoft Graph

Azure DevOps CI/CD

Défi

Compensa traite plusieurs milliers d'offres d'entreprise chaque année, ce qui oblige les souscripteurs à transférer manuellement les données des documents des courtiers vers les offres d'assurance. Ce transfert manuel de données est chronophage et peut entraîner des incohérences dans la formulation et la mise en page des documents. Les courtiers n'utilisent souvent pas les clauses de Compensa et emploient des conventions de nommage de champs différentes, des ordres de sections différents, et la longueur des documents varie souvent de 4 à 50 pages.

Même un seul souscripteur peut générer des documents dans différents formats, car il coopère avec de nombreux agents, et chacun peut préparer des documents à l'aide de modèles différents. La préparation d'une offre peut prendre jusqu'à une heure, et toute tentative de les standardiser manuellement nécessiterait un temps supplémentaire que les spécialistes pourraient consacrer à d'autres tâches.

La solution

Compensa visait à standardiser la mise en page de ses contrats et à automatiser les tâches répétitives, soulageant ainsi les souscripteurs et leur permettant de se concentrer sur l'estimation correcte de l'offre et la négociation avec les clients, plutôt que sur la copie et le collage de données à partir de documents.

Pour ce faire, nous avons proposé le développement d'un algorithme basé sur l'IA afin d'extraire les informations essentielles et de générer une réponse formatée – une offre initiale à examiner par un souscripteur. Les informations extraites comprendraient des détails sur les courtiers, les assureurs, les assurés, ainsi que des précisions concernant les produits d'assurance, les montants de couverture, les types, les clauses et d'autres données critiques. La solution établirait un modèle cohérent à l'échelle de l'entreprise, unifiant et centralisant tous les contrats.

Diagram showing the underwriter's offer preparation process in four steps: broker sends enquiry, underwriter prepares the offer, the offer document, and negotiation and signing of contract.

Diagram showing the new offer preparation process using GenAI: broker sends enquiry, Azure and OpenAI automatically generate the offer, underwriter verifies and prices the offer, then negotiation and signing of contract.

Nous avons conçu une solution au sein de l'environnement Azure sécurisé, essentiel pour répondre aux strictes réglementations de traitement des données du secteur financier. La solution intégrait le modèle ChatGPT d'Azure OpenAI, dans lequel nous avons implémenté des parseurs personnalisés, un raisonnement en chaîne de pensée et une couche de validation afin de garantir une extraction précise des données. Les intégrations clés comprenaient LangChain pour un flux de données fluide, Chroma DB pour le stockage des embeddings, Microsoft Graph API pour une connectivité e-mail sécurisée et les pipelines CI/CD Azure DevOps pour un déploiement rationalisé. Nous avons également développé une base de données vectorielle dotée d'une logique définie par des experts pour traiter les cas dépassant le périmètre de l'IA.

Le résultat

La solution a doublé, voire triplé, la vitesse de traitement des documents, selon la complexité de la demande. Désormais, au lieu de passer des heures à remplir manuellement les dossiers, le souscripteur se contente de vérifier l'exactitude des données extraites, ce qui ne prend que quelques minutes. La même équipe traite les contrats beaucoup plus rapidement, ce qui réduit le délai de première réponse aux clients et augmente le nombre de contrats signés. Le modèle de document est standardisé et la formulation des contrats est plus facile à contrôler grâce à une base de données de clauses gérée par des personnes désignées.

Chart showing that likelihood of signing a contract decreases as time from request to first offer increases. GenAI offer processing responds significantly faster than standard processing, resulting in a higher likelihood of closing the deal.

J'apprécie le professionnalisme de l'équipe Spyrosoft, qui a rapidement saisi la complexité du projet et apporté une perspective nouvelle et innovante. Nous appliquons désormais le modèle et l'approche développés dans nos opérations commerciales quotidiennes.

Adam Sasin

Directeur du Bureau des Ventes aux Entreprises au sein du Réseau d'Agences et de l'Assurance Sociale

arrow_circle_rightContact